論文の概要: WatchGuardian: Enabling User-Defined Personalized Just-in-Time Intervention on Smartwatch

• arxiv url: http://arxiv.org/abs/2502.05783v1
• Date: Sun, 09 Feb 2025 05:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:33:33.617635
• Title: WatchGuardian: Enabling User-Defined Personalized Just-in-Time Intervention on Smartwatch
• Title（参考訳）: WatchGuardian: ユーザー定義のパーソナライズされたジャスト・イン・タイム・インターベンションをスマートウォッチで実現
• Authors: Ying Lei, Yancheng Cao, Will Wang, Yuanzhe Dong, Changchang Yin, Weidan Cao, Ping Zhang, Jingzhen Yang, Bingsheng Yao, Yifan Peng, Chunhua Weng, Randy Auerbach, Lena Mamykina, Dakuo Wang, Yuntao Wang, Xuhai Xu,
• Abstract要約: スマートウォッチベースのJITIシステムであるWatchGuardianについて述べる。 我々は、公的な手振りデータセット上で、事前訓練された慣性測定ユニット(IMU)モデルを微調整した数ショットの学習パイプラインを開発した。 その結果,我々のシステムは望ましくない行動で64.0+-22.6%の大幅な減少を招いた。
• 参考スコア（独自算出の注目度）: 41.70921498615945
• License:
• Abstract: While just-in-time interventions (JITIs) have effectively targeted common health behaviors, individuals often have unique needs to intervene in personal undesirable actions that can negatively affect physical, mental, and social well-being. We present WatchGuardian, a smartwatch-based JITI system that empowers users to define custom interventions for these personal actions with a small number of samples. For the model to detect new actions based on limited new data samples, we developed a few-shot learning pipeline that finetuned a pre-trained inertial measurement unit (IMU) model on public hand-gesture datasets. We then designed a data augmentation and synthesis process to train additional classification layers for customization. Our offline evaluation with 26 participants showed that with three, five, and ten examples, our approach achieved an average accuracy of 76.8%, 84.7%, and 87.7%, and an F1 score of 74.8%, 84.2%, and 87.2% We then conducted a four-hour intervention study to compare WatchGuardian against a rule-based intervention. Our results demonstrated that our system led to a significant reduction by 64.0 +- 22.6% in undesirable actions, substantially outperforming the baseline by 29.0%. Our findings underscore the effectiveness of a customizable, AI-driven JITI system for individuals in need of behavioral intervention in personal undesirable actions. We envision that our work can inspire broader applications of user-defined personalized intervention with advanced AI solutions.
• Abstract（参考訳）: ジャスト・イン・タイムの介入(JITIs)は、効果的に一般的な健康行動をターゲットにしているが、個人は身体的、精神的、社会的幸福に悪影響を及ぼす個人的な望ましくない行動に介入する必要があることが多い。 スマートウォッチベースのJITIシステムであるWatchGuardianについて紹介する。 モデルが限られた新しいデータサンプルに基づいて新しいアクションを検出するために、我々は、パブリックハンドジェスチャデータセット上でトレーニング済み慣性測定ユニット(IMU)モデルを微調整した数ショットの学習パイプラインを開発した。 次に、カスタマイズのための追加の分類レイヤーをトレーニングするために、データ拡張と合成プロセスを設計した。 26名によるオフライン評価の結果,平均精度は76.8%,84.7%,87.7%であり,F1スコアは74.8%,84.2%,87.2%であった。 その結果,我々のシステムは望ましくない動作で64.0+-22.6%減少し,ベースラインを29.0%上回った。 我々の研究結果は、個人が好ましくない行動に行動介入を必要とする場合に、カスタマイズ可能なAI駆動JITIシステムの有効性を裏付けるものである。 私たちは、先進的なAIソリューションによるユーザ定義のパーソナライズされた介入の幅広い応用を促すことができると期待しています。

関連論文リスト

• PrISM-Observer: Intervention Agent to Help Users Perform Everyday Procedures Sensed using a Smartwatch [43.41204564594764]
  PrISM-Observerはスマートウォッチベースのコンテキスト対応リアルタイム介入システムで、エラーを防止して日常的なタスクをサポートする。 情報を探さなければならない従来のシステムとは異なり、エージェントはユーザーの行動を観察し、積極的に介入する。
  論文  参考訳（メタデータ） (2024-07-23T18:38:07Z)
• Time2Stop: Adaptive and Explainable Human-AI Loop for Smartphone Overuse Intervention [35.10406472117461]
  我々は、最適な介入タイミングを特定し、透明なAI説明を伴う介入を導入する、インテリジェントで適応的で説明可能なJITAIシステムを開発する。 Time2Stopは、アプリ訪問頻度を7.0$sim$8.9%削減する。 我々は,ユーザとともに進化する人間-AIループを用いたJITAIシステムに関する今後の研究をインスピレーションできることを期待している。
  論文  参考訳（メタデータ） (2024-03-03T06:57:48Z)
• Locally Differentially Private Document Generation Using Zero Shot Prompting [61.20953109732442]
  本稿では,DP-Prompt と呼ばれる局所的に異なるプライベートなメカニズムを提案し,作者の匿名化攻撃に対処する。 DP-PromptをChatGPT(gpt-3.5)のような強力な言語モデルで使用すると、匿名化攻撃の成功率の顕著な低下が観察される。
  論文  参考訳（メタデータ） (2023-10-24T18:25:13Z)
• Tool-Augmented Reward Modeling [58.381678612409]
  本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。 我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。 人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
  論文  参考訳（メタデータ） (2023-10-02T09:47:40Z)
• Asking for Help: Failure Prediction in Behavioral Cloning through Value Approximation [8.993237527071756]
  本稿では,行動クローン化政策と協調して,状態値関数を学習する手法である行動クローン値近似(BCVA)を導入する。 我々は,ラッチドア開口の移動操作課題にBCVAを適用し,BCVAの有効性を実証した。
  論文  参考訳（メタデータ） (2023-02-08T20:56:23Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Unsupervised User-Based Insider Threat Detection Using Bayesian Gaussian Mixture Models [0.0]
  本稿では,監査データに基づく教師なしインサイダー脅威検出システムを提案する。 提案手法は,ユーザベースモデルを用いて,特定の振る舞いのモデル化とWord2Vecに基づく自動特徴抽出システムを実現する。 その結果,提案手法は最先端手法と競合し,精度が88%,真負率が93%,偽陽性率が6.9%であった。
  論文  参考訳（メタデータ） (2022-11-23T13:45:19Z)
• Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach [59.535699822923]
  インターネット提供型心理的治療(IDPT)は、メンタルヘルスのアクセシビリティを向上させるための効果的でスケーラブルな経路であると考えられている。 本研究は,最小限の敏感なログイン/ログアウトデータに依存しながら,自動アドバンス予測を行うディープラーニングアプローチを提案する。 提案されたセルフアテンションネットワークは、治療期間の1/3が経過した時点で、平均的バランスの正確さを70%以上達成した。
  論文  参考訳（メタデータ） (2022-01-11T13:55:57Z)
• Cost-effective Interactive Attention Learning with Neural Attention Processes [79.8115563067513]
  対話型注意学習(Interactive Attention Learning, IAL)と呼ばれる対話型学習フレームワークを提案する。 IALは、人間のアノテーションが不足しているため、過度に適合する傾向がある。 我々は,サンプル効率のよい注意機構と,コスト効率のよいインスタンスと機能の再ランクアルゴリズムを提案することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2020-06-09T17:36:41Z)
• Modeling Engagement in Long-Term, In-Home Socially Assistive Robot Interventions for Children with Autism Spectrum Disorders [5.699538935722362]
  この研究は、教師付き機械学習アルゴリズムを用いて、ASDの子供に対する長期的、家庭内SAR介入の文脈におけるユーザエンゲージメントをモデル化する。 ユーザ毎のエンゲージメントモデルとして, (i) 異なるユーザのデータに基づいてトレーニングされた一般化モデル, (ii) ユーザのデータの初期サブセットに基づいてトレーニングされた個別モデルがある。 実世界のHRI設定において,ユーザ・エンゲージメントに対する認識と応答の実現可能性と課題を検証した。
  論文  参考訳（メタデータ） (2020-02-06T18:26:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。